Usando o aprendizado de máquina, algoritmos evolutivos e outras técnicas computacionais avançadas, pesquisadores do Laboratório Nacional Lawrence Livermore (LLNL) modelaram com sucesso como os átomos são arranjados entre os cristais que compõem a maioria dos materiais, um desenvolvimento que pode impactar como os materiais futuros são projetados e otimizados.

Embora a maioria dos materiais possa parecer a olho nu como sólidos uniformes, na verdade, eles são compostos de minúsculos cristalitos ou grãos separados no nível atômico por interfaces que os cientistas chamam de limites de grãos. Devido à sua importância para as propriedades e funções dos materiais, as estruturas desses limites de grão foram extensivamente investigadas. Contudo, pesquisar os bilhões de estruturas possíveis à mão e tentar prever seu comportamento tem sido um exercício de futilidade.

Pesquisadores do LLNL, a Universidade de Nevada-Las Vegas, A Stony Brook University e a UC Davis desenvolveram um método baseado em algoritmos evolutivos e aprendizado de máquina capaz de vasculhar o vasto espaço de como os átomos nos contornos dos grãos podem ser arranjados e predizer como eles irão interagir sob certas condições. Os cientistas disseram que o método finalmente fornece uma maneira de prever as propriedades dos materiais e pode levar a grandes avanços no desenvolvimento de materiais com maior resistência, mais resistência ao calor ou maior condutividade. O jornal foi apresentado no The Minerals, Conferência internacional de 2018 da Metals &Materials Society em Phoenix no início deste ano.

"O que desenvolvemos é a primeira ferramenta computacional desse tipo que efetivamente faz uma amostragem de estruturas possíveis de contornos de grão e encontra estruturas de baixa energia, bem como estados metaestáveis ​​importantes, "disse o cientista do LLNL Timofey Frolov, investigador principal do projeto. "O que é surpreendente e chocante é que pensamos que entendíamos as estruturas dos limites, mas nós não. Basicamente, começamos do zero agora porque muitos limites que observamos têm uma estrutura diferente do que pensávamos anteriormente. "

A composição atomística dos limites dos grãos é fundamental para como certos materiais irão realizar ou mudar de fase (ou seja, sólido para um líquido) sob condições como calor intenso ou pressão extrema. Usar o aprendizado de máquina para explorar estruturas possíveis e ter a capacidade de modelá-las computacionalmente pode ter um impacto significativo no projeto de materiais para uma ampla gama de aplicações de energia, incluindo células a combustível de estado sólido, termelétricas para geração de energia, sensores de oxigênio, fibras ópticas, comuta, amplificadores e lentes de laser, cientistas disseram.

"Nos últimos anos, houve uma revolução no uso de aprendizado de máquina para fazer coisas que você não conseguia fazer antes, e a busca por uma estrutura de contorno de grão estava dando resultados incorretos - você precisa do poder dessas técnicas modernas para encontrar a resposta certa, "disse Robert Rudd, líder do Grupo de Ciência de Materiais Computacionais do LLNL." Muitas das mudanças tecnológicas que vimos nas últimas décadas foram possibilitadas por materiais que não existiam anteriormente, portanto, habilitar e otimizar o design para essas estruturas será uma virada de jogo. "

Os pesquisadores criaram e caracterizaram o novo modelo usando cobre e o demonstraram e testaram com sucesso com silício, tungstênio e outros materiais. Também está sendo implementado já dentro do programa de energia de fusão do LLNL. Frolov disse que deseja desenvolver ainda mais o método para cerâmica funcional em sistemas com muitos elementos, que exibem transições fascinantes e complicadas em alta temperatura.

"Um grande número de estudos experimentais recentes demonstrou mudanças dramáticas no comportamento de crescimento de grãos em materiais cerâmicos após dopagem e vinculou essas mudanças a transições estruturais nos limites de grãos, "Frolev disse." Por exemplo, uma formação de grãos anormalmente grandes pode alterar drasticamente as propriedades de um material, mas difícil de prever ou controlar. Nosso novo método fornece a primeira evidência sólida de transições nos limites dos grãos. Agora podemos prever diferentes estados de contornos de grão e explicar as mudanças abruptas nas propriedades dos materiais vistos em experimentos. "